← ブログに戻る
News読了目安 15 分

Gemini Omni 1.2 Flashが動画スロットマシンを終わらせた

公開日 2026年11月7日
Gemini Omni 1.2 Flashが動画スロットマシンを終わらせた

Googleは11月5日、Gemini Omni 1.2 Flashを一般提供開始しました。そして、モデルそのものよりも価格体系のほうが重要です。

主要なスペックは明快です。ネイティブのクリップは従来の10秒から15秒に延びました。長さは3〜15秒の間で1秒刻みに設定でき、デフォルトは10秒です。出力はデフォルトで720p・16:9で、9:16もサポートします。360pまたは720pで下書きし、選んだ結果を1080pまたは4Kにアップスケールできます。すべての出力には不可視のSynthIDウォーターマークが付きます。

次に数字です。720p生成は1秒0.07ドル、360pは約0.023ドルです。有料APIでは100万動画出力トークンあたり12ドルで、720p1秒あたり5,792トークンとして計測されます。計算すると10秒クリップで約0.70ドル、15秒で1.04ドルです。Googleによれば、Omni 1.1 Flashより30%安いとのことです。

1年前の市場と比べてみてください。フラッグシップ動画モデルでの1回の再試行は、クリエイターが防御的にプロンプトを書き、3番目に良い結果を受け入れることを学ぶほど高コストでした。業界はそれを抽卡(カードを引くこと)と呼びました。実際、そのとおりだったからです。

再試行が手頃になり、再試行のあり方が変わる

1秒7セントなら、360pの5秒下書きは約12セントです。15回の下書きでも2ドル未満です。合理的なワークフローは「完璧なプロンプトを1本書いて祈る」から、「12本生成し、見て、使える1本をアップスケールする」に変わります。

鋼鉄のテーブルに一列に並んだ6つの空白の半透明フィルムフレーム。最後の1つは背後から照らされている。

これは価格変更に見せかけたワークフロー変更です。支出は生成から選別へ移り、選別こそ人間の美意識が実際に価値を加える場所です。作られるツールも変わります。安価な下書き12本と高価な最終レンダー1本を見せるブラウザは、試行のたびに課金するチャットボックスとは別の製品です。

Googleはこの枠組みを明言しています。このモデルは段階的なワークフローを提供し、高解像度レンダリングはすでに選んだ出力のために取っておくべきものだとしています。

15秒は作業単位を変える

10秒から15秒への跳躍は段階的な改善に聞こえます。しかし、その中に収まるものが違うため、そうではありません。

10秒クリップは製品を示すか、雰囲気を確立することはできます。しかし、導入し、実演し、締めることを無理なく行うことはできません。15秒は標準的なソーシャル広告のおおよその長さで、単一の生成が成果物の構成要素ではなく成果物そのものを生み出せるようになったということです。これにより継ぎ目がなくなります。そして継ぎ目こそAI動画が崩れる場所です。照明の変化、顔のずれ、カット間でのオブジェクトの移動です。

Google自身の例は、人物画像1枚と衣装画像3枚から構築した15秒のバーチャル試着です。人物の同一性と衣装のディテールが動きを通じて保たれます。

一貫性に関する主張は具体的です。Googleの並列評価では、テキスト・トゥ・ビデオのテストでOmni 1.2が視覚的一貫性で62%の勝率を記録し、1.1は38%でした。参照・トゥ・ビデオの比較では、1.2が複数参照の同一性一貫性で63%の勝率、1.1が37%です。Photoroomの最高経営責任者Matt Rouif氏は記者団に対し、より長い生成がユーザーからの単一で最も要望の多い機能だったこと、またサービスレベル契約を伴う一般提供によって自社が販売者向けにこのモデルを本番投入できるようになったことを述べました。

Arenaも同意しているのは珍しい

Arena.aiでは、Gemini Omni 1.2 Flashがテキスト・トゥ・ビデオで1,541ポイントを獲得して1位です。1.1は1,514ポイントで2位でした。また、イメージ・トゥ・ビデオで1位、動画編集で3位にランクインしています。このリリースにより、GoogleのOmniファミリーがテキスト・トゥ・ビデオのトップ3を占めています。

これは注目すべき逆転です。今年前半には、中国のラボが盲検選好で動画のリードを奪ったという見方がありました。このリリース時点のArenaの数字では、テキスト・トゥ・ビデオの首位においてそれはもはや当てはまりません。

リーダーボードはプロンプトに対する短いクリップを測定するものであり、40ショットにわたってキャラクターを安定させることとは同じではありません。ランキングは制作上の信頼性ではなく、美的嗜好に関するシグナルとして扱ってください。

実用的な利得は編集にある

日常業務を最も変えそうな機能は会話型編集です。何か問題があるときに新しいクリップを生成するのではなく、既存のクリップで作業を続けます。製品の置き換え、背景の差し替え、照明や天候の変更、アスペクト比の切り替え、カメラアングルの調整ができます。言及されていない要素は編集後も残る想定です。

技術的には、API呼び出し間でコンテキストを保持する`previous_job_id`を通じて実行されるため、以前の動画を再アップロードする必要はありません。各リクエストでは複数の参照画像を使用できます。2人のキャラクターの場合は1人あたり最大3枚、最大3秒のモーション参照クリップ、音声キューも利用できます。

拡張はネイティブ生成とは別です。1ターンにつき3〜10秒を追加でき、最後の10秒をコンテキストとして使用し、合計最大30秒にできます。映像を先頭に追加したり、クリップの途中に素材を挿入したりすることはできず、最初と最後のフレーム間の補間は依然として3〜10秒の出力に限定されます。誰かがクライアントにワンテイクの30秒CMを約束する前に、これらの制限を知っておく価値があります。

音声は誰も価格に織り込んでいない部分

秒単位の数字で注意すべき点が1つあります。それは動画トークンを対象としていることです。Omni 1.2 Flashは動画とともにネイティブ音声、セリフ、環境音、効果音を生成し、モデルは複数の話者を個別のコンディショニングで扱います。

AI動画が制作現場でたいてい崩れるのは音声です。動きは説得力があるのにリップシンクが200ミリ秒ずれるクリップは使えず、ポストプロダクションで修正するほうが再生成より高くつきます。生成時に音声が本当に同期していれば、節約になるのはモデル費用ではなく、編集者の午後の時間です。

Googleはまた、リップシンクとセリフの明瞭さが向上し、異なる声を異なるキャラクターに正確に割り当てられると述べています。プレスリリースでは小さな主張ですが、ワークフローでは大きな主張です。広告用途で評価する人は、まずセリフの多いシーンをテストすべきです。前世代のモデルが最も目に見えて失敗したのがそこだからです。

移行日は過小評価されている詳細

Omni 1.1 Flashは4週間の移行期間中も利用可能です。12月3日には、1.1へのAPIリクエストがコード変更なしで自動的に1.2へルーティングされ、より安い1.2の料金が適用されます。

1.1で構築したチームにとって、これは無料アップグレードですが、1つ注意点があります。製品の背後にあるモデルが、自分たちが関与しないまま変わるということです。1.1の挙動に合わせて調整したプロンプトライブラリや、品質ベースラインを確立した評価セットは、もはや呼び出していないモデルを記述したものになります。12月上旬に評価を再実行してください。

まだできないこと

Googleはギャップについて率直です。速いスポーツアクション、急な脚本変更、複雑な物理演算は開発中です。Gemini APIは英語を完全にサポートしていますが、他の言語では評価されていません。音声編集、アップロードした音声入力、音声参照は現在のAPIではサポートされておらず、音声参照はGoogle Cloudでの許可リスト登録が必要です。

英語のみという制限は、国際的なチームに最初に響くものです。このモデルで構築したドイツ語や日本語のキャンペーンは、プロバイダーが評価していない言語で運用されていることになります。

本当の変化

2年間、AI動画の価格設定は、生成は高価であり、したがって希少だという前提に基づいて構築されてきました。すべての製品判断はそこから導かれました。短いクリップ、低解像度、攻撃的なプロンプトエンジニアリング、悪い出力への寛容さです。

Omni 1.2 Flashは生成をコモディティとして価格付けし、コストをあるべき場所である最終レンダーに置きます。アイデアが機能するかどうかを知るための12セントは、予算項目ではなく習慣です。

Googleは同じ週に流通面も出荷しました。シーン演出とマルチターン編集のためのFlow、Google Vids、Ultra購読者向けGeminiアプリ、Google Adsのキャンペーン作成です。モデルが安くなり、接点がすでにインストールされていれば、AI動画の制約はアクセスではなくなります。制約は、誰かに見る理由があるかどうかになります。

関連記事